查看整体数据

维度、列名、数据中的属性等：

dim(iris)

## [1] 150   5

names(iris)

## [1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width" 
## [5] "Species"

str(iris)

## 'data.frame':    150 obs. of  5 variables:
##  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
##  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
##  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
##  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
##  $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

head(iris) # tail(iris)

##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1          5.1         3.5          1.4         0.2  setosa
## 2          4.9         3.0          1.4         0.2  setosa
## 3          4.7         3.2          1.3         0.2  setosa
## 4          4.6         3.1          1.5         0.2  setosa
## 5          5.0         3.6          1.4         0.2  setosa
## 6          5.4         3.9          1.7         0.4  setosa

attributes(iris)

## $names
## [1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width" 
## [5] "Species"     
## 
## $row.names
##   [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17
##  [18]  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34
##  [35]  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51
##  [52]  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68
##  [69]  69  70  71  72  73  74  75  76  77  78  79  80  81  82  83  84  85
##  [86]  86  87  88  89  90  91  92  93  94  95  96  97  98  99 100 101 102
## [103] 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119
## [120] 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136
## [137] 137 138 139 140 141 142 143 144 145 146 147 148 149 150
## 
## $class
## [1] "data.frame"

idx <- sample(1:nrow(iris), 5) # 随机抽取5个
idx

## [1]  37 115  12 139  36

iris[idx,]

##     Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
## 37           5.5         3.5          1.3         0.2    setosa
## 115          5.8         2.8          5.1         2.4 virginica
## 12           4.8         3.4          1.6         0.2    setosa
## 139          6.0         3.0          4.8         1.8 virginica
## 36           5.0         3.2          1.2         0.2    setosa

# 抽取某列的3中方法
iris[1:10, "Sepal.Length"] # iris[1:10, 1]  # iris$Sepal.Length[1:10]

##  [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9

查看单个变量

单个变量等数据分布情况、方差、直方图：

summary(iris)

##   Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
##  Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
##  1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
##  Median :5.800   Median :3.000   Median :4.350   Median :1.300  
##  Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
##  3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
##  Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
##        Species  
##  setosa    :50  
##  versicolor:50  
##  virginica :50  
##                 
##                 
##

quantile(iris$Sepal.Length)

##   0%  25%  50%  75% 100% 
##  4.3  5.1  5.8  6.4  7.9

quantile(iris$Sepal.Length, c(0.1, 0.3, 0.65))

##  10%  30%  65% 
## 4.80 5.27 6.20

var(iris$Sepal.Length)

## [1] 0.6856935

hist(iris$Sepal.Length)

plot(density(iris$Sepal.Length))

plot(density(iris$Sepal.Length, bw = .5))

对于 factor 变量，可以先用 table 求出各个种类的个数，再画出：

table(iris$Species)

## 
##     setosa versicolor  virginica 
##         50         50         50

pie(table(iris$Species))  # 饼图

barplot(table(iris$Species))  # 柱状图

查看多个变量

方差、协方差、相关系数（值在－1，1之间，越靠近两端，表示越相关）： \[ Cov(X,Y) = E[(X-E[X])(Y-E[Y])] \\ Cor(X,Y) = \frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}} \]

library(ggplot2)
cov(iris$Sepal.Length, iris$Petal.Length)

## [1] 1.274315

ggplot(iris, aes(Sepal.Length, Petal.Length)) + geom_point() + geom_smooth()

cov(iris[,1:4])

##              Sepal.Length Sepal.Width Petal.Length Petal.Width
## Sepal.Length    0.6856935  -0.0424340    1.2743154   0.5162707
## Sepal.Width    -0.0424340   0.1899794   -0.3296564  -0.1216394
## Petal.Length    1.2743154  -0.3296564    3.1162779   1.2956094
## Petal.Width     0.5162707  -0.1216394    1.2956094   0.5810063

cor(iris$Sepal.Length, iris$Petal.Length)

## [1] 0.8717538

cor(iris[,1:4])

##              Sepal.Length Sepal.Width Petal.Length Petal.Width
## Sepal.Length    1.0000000  -0.1175698    0.8717538   0.8179411
## Sepal.Width    -0.1175698   1.0000000   -0.4284401  -0.3661259
## Petal.Length    0.8717538  -0.4284401    1.0000000   0.9628654
## Petal.Width     0.8179411  -0.3661259    0.9628654   1.0000000

使用 aggregate 合并数据：

# 以 Species 分组，然后在分组后的数据上调用 summary
aggregate(Sepal.Length ~ Species, summary, data = iris)

##      Species Sepal.Length.Min. Sepal.Length.1st Qu. Sepal.Length.Median
## 1     setosa             4.300                4.800               5.000
## 2 versicolor             4.900                5.600               5.900
## 3  virginica             4.900                6.225               6.500
##   Sepal.Length.Mean Sepal.Length.3rd Qu. Sepal.Length.Max.
## 1             5.006                5.200             5.800
## 2             5.936                6.300             7.000
## 3             6.588                6.900             7.900

ggplot(iris, aes(Species, Sepal.Length)) + geom_boxplot() + xlab("Species") + ylab("Sepal.Length")

从上图可以看出，可以使用 Sepal.Length 开区分出 Species。

ggplot(iris, aes(Sepal.Length, Sepal.Width, col = Species)) + geom_point(aes(shape = Species))

# 当有很多点重复的时候，可以添加点噪声，来加以区分
ggplot(iris, aes(Sepal.Length, Sepal.Width)) + geom_jitter(shape = 1)

pairs(iris)

chapter3 - Data Exploration and Visualization

alfonso

April 27, 2016

查看整体数据

查看单个变量

查看多个变量

更多的图像表示